🚀 LFM2.5-2.6B обходит модели вчетверо крупнее в агентных задачах на локальном CPU Liquid AI выложила на Hugging Face модель LFM2.5-2.6B — 2.6 млрд параметров, предобученную на 34 трлн токенов и дообученную до контекстного окна 128K. Фокус пост-тренинга — чисто агентный: два раунда supervised fine-tuning на данных работы с инструментами, поиска и траекторий из реальных harness-ов, затем дистилляция нескольких специализированных учителей (математика, код, тулинг) в одну модель, и финальный этап — Agentic RL. На последнем модель училась прямо внутри боевых агентных обвязок (OpenClaw, Hermes Agent, Pi), не требуя их модификации, а RL-фреймворк прозрачно захватывал токен-уровневые траектории. Это дало результат, который сложно списать на маркетинг: на instruction-following бенчмарках IFBench, Multi-IF, IFStruct модель впереди всех — 59.17, 80.07 и 85.49 очков соответственно, против 56.47, 62.55 и 78.50 у Qwen3.5-9B. На тулинге (BFCLv4, ToolSandbox) она либо первая, либо уступает только флагману Qwen. На агентных задачах вроде τ³-Bench Banking модель проходит вровень с 9B-конкурентами и опережает обе Gemma-4. Единственный явный проигрыш — код (LiveCodeBenchv6: 59.41 у LFM2.5 против 69.86 у Qwen3.5-9B); здесь большие модели ещё держат отрыв. Практическая сторона: модель запускается под llama.cpp, MLX, vLLM, ONNX, на Apple M5 Max выдаёт 220 ток/с, на Ryzen AI Max+ — 113 ток/с, на телефоне — 30 ток/с, укладываясь в 2.5 ГБ памяти. На H100 при высокой конкурентности снимает почти 15K выходных токенов в секунду — примерно 1.3 млрд токенов в день. Это уровень, при котором локальный агент перестаёт быть компромиссом по скорости. Пока остальные меряются параметрами, Liquid AI доказывает, что ключ к надёжному агенту — не размер, а правильная RL-петля внутри целевого harness-а. Но остаётся открытым вопрос: насколько эти бенчмарки воспроизводятся в реальных многодневных сессиях, где ошибка планирования на десятом шаге стоит не процента accuracy, а денег или репутации. Hugging Face #LFM2 #LiquidAI #AgenticAI #EdgeAI #OpenWeights